EP0897155A1 - Verfahren zur Steuerung von Prozessvorgängen - Google Patents

Verfahren zur Steuerung von Prozessvorgängen Download PDF

Info

Publication number
EP0897155A1
EP0897155A1 EP98111786A EP98111786A EP0897155A1 EP 0897155 A1 EP0897155 A1 EP 0897155A1 EP 98111786 A EP98111786 A EP 98111786A EP 98111786 A EP98111786 A EP 98111786A EP 0897155 A1 EP0897155 A1 EP 0897155A1
Authority
EP
European Patent Office
Prior art keywords
neural
map
variables
reference channel
trajectory
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
EP98111786A
Other languages
English (en)
French (fr)
Inventor
Ralf Dipl.-Ing. Otte
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
OTTE, RALF, DR.
Original Assignee
ABB Patent GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ABB Patent GmbH filed Critical ABB Patent GmbH
Publication of EP0897155A1 publication Critical patent/EP0897155A1/de
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S706/00—Data processing: artificial intelligence
    • Y10S706/902—Application using ai with detail of the ai system
    • Y10S706/903—Control
    • Y10S706/906—Process plant
    • Y10S706/907—Power plant

Definitions

  • the invention relates to a method for controlling process operations a technical system.
  • the method is suitable for the optimization and analysis of process operations Power plant.
  • Another disadvantage of conventional methods is that with non-linear Relationships between the process variables make no statement about it Which process variables can be changed by what percentage at the same time must, so that the current process state in a desired process state can be transferred.
  • This problem is currently solved by the fact that for previously defined stationary work areas a what-if simulation carried out in which the influence of each individual process variable on the desired target variable is determined. One or more input signals can be changed and the resulting behavior of the target size can be calculated.
  • One disadvantage of this The procedure is that the user can only find out through lengthy trial and error, which process variables have to be set to which value in order to Process in a required or desired direction. Still missing in the transient process areas a statement of what is actually desired Operation can be viewed. A combination of e.g. 200 measurement signals It is not easy to see whether they are optimal or faulty Process state represents.
  • the invention has for its object to provide a method that Simultaneous and coherent evaluation and display of relevant process variables a technical system, for any operating point and the time of the installation, a statement about the underlying influencing factors makes, and specifies the process size changes that are necessary to to get from the current state to a desired operating state. Furthermore is to differentiate between optimal and non-optimal process status be possible through a visualization method.
  • the current process status is displayed on this SOM and thus in context comparable to other process states. Is the current process status of one required process status removed, the necessary process size combination are output in order to go from the current to the desired process status.
  • a self-organizing map is a "self-organizing neural network" in which all neurons are arranged side by side.
  • the self-organizing neural network is an established term for a special class of neural networks that structure themselves based on input signals, cf. A. Zell Simulation of Neural Networks ", Addison-Wesley Verlag, 1994, pages 179 to 187.
  • the spatial position of the individual neurons and their neighborhood relationships play an important role in the SOMs.
  • the state space of a system is the n-dimensional vector space in which the process data can be plotted on top of one another.
  • a data example ie a vector with the values of the n process variables, corresponds to a point in this state space at a time t 0 .
  • an entrance space is understood to mean exactly this state space.
  • the starting space is the 2-dimensional space that is shown on the map.
  • topology preserving means that the points (Data points) that are close together in the entrance area, also in the exit area, so on the map, will be close to each other.
  • N denotes the number of process variables.
  • process values must be available for the individual process variables, since the Procedure can only work on the basis of data.
  • n is between 2 and several hundred.
  • the data can be in the form of a matrix, with the columns the process variables and the lines the data examples at the respective times correspond.
  • the learning phase takes place in two steps: First, the map unfolds in the state room of the plant, then the plant states are determined by using a visualized mathematical process. Before the learning process is applied the process data are preprocessed. First the individual process variables scaled to a predetermined value and then e.g. still noisy. The noise allows further processing of generalized process operations, since this means that prototypes are no longer individual, arbitrarily selected processes of processes are further processed.
  • the development of the self-organizing card in the state space of the system is realized by self-organizing algorithms based on the "T. Kohonen neural algorithm”.
  • the self-organizing neural algorithm was introduced by Kohonen in 1982; see. T. Kohonen, Self-organized formation of topologically correct feature maps "in Biological Cybernetics, 43, 59-69, 1982.
  • a process point arises when the n process variables of a system are converted into an n-dimensional vector summarized at a time t 0 ; pv i denotes the i-th component of the input vector.
  • process vectors can be generated at any time t m and represented as a point cloud in an n-dimensional coordinate system, thereby creating a process trajectory.
  • the structure can be understood as a process trajectory.
  • Fractal dimensionality is an established term for structures in n-dimensional spaces. For example, a line has the FD equal to 1, a surface the FD equal to 2, a body has the FD equal to 3. In between there are structures with fractional FD, see B. Mandelbrot, The Fractal Geometry of Nature ", New York, Freeman, 1977 and J. Gleick, Chaos - the order of nature ", Knaur Verlag, 1990, pages 147-150.
  • the above-mentioned neural algorithm can self-organize on any n-dimensional structure (eg curve, surface or body).
  • An iterative neural algorithm adjusts the weight vectors w of all neurons k on the map to the input vectors pv of the process data, taking into account the neighborhood relationships of the neurons.
  • the following definition is introduced for the vectors w: where w i denotes the i-th component of the weight vector of a neuron.
  • two opposite corner neurons on the SOM are on top or the end of the process trajectory and mathematically fixed there by the weight vectors of these corner neurons with the possibly scaled process vectors be equated at the beginning and at the end of the process.
  • the neighborhood order on the SOM is set to a distance norm, which depends on the fractal dimensionality FD of the input data. Is the FD the input data e.g. between one and two, what dynamic, technical Processes is often the case, the best distance norm is the so-called Manhattan distance, where every neuron on the map (with the exception of all neurons on the edges) has exactly 4 neighbors: a NORD neighbor, an OST neighbor, a SOUTH neighbor and a WEST neighbor. These results can be derived from the neural Derive gas theory.
  • the visualization of the physical plant status is done according to a so-called dynamic visualization process.
  • the input vectors are again offered to the unfolded card in a random order and the current winner neuron is determined using a "winner-takes-all” algorithm.
  • This algorithm states that the neuron whose weight vector is closest to the input vector wins.
  • the statement "closest” is calculated by calculating a previously determined distance measure, for example the Euclidean distance.
  • the winner-takes-all algorithm is a procedure in which only the neuron that best fulfills a certain condition is active; all other neurons on the network or on the card are inactive (1 -out-k selection, where k is the number of neurons on the card).
  • This special condition is a minimum distance measure between the current input vector and the weight vector of the individual neurons, see S. Hafner, Neural Networks in Automation Technology ", Oldenbourg Verlag, 1994, in particular pages 17 to 25.
  • an internal counter the winning rate
  • the winning rates of the individual neurons are recoded into color values.
  • the neuron with the highest winning rate is shown in white.
  • Neurons with correspondingly low rates are visualized darker, for example.
  • neurons that have not won at all get a black color on the SOM.
  • This algorithm creates a light channel on the SOM, the so-called reference channel, of possible and permissible process states.
  • An extension of the "winner-takes-all" algorithm is achieved by using a "winner-takes-most" algorithm.
  • an internal counter is counted up not only for the winner, but also for the jth, ie second-next, third-next, fourth-next, ... winner, one possibility for the Neuron M is, for example with M equals neuron M and j is the position of the neuron in a list of the respective SOM responses to an input vector vp applied.
  • the respective maxiamle value for j max can be specified. This measure allows the width of the reference channel and thus the width of the tolerance band for the good condition of the process to be set on the map.
  • Fig. 1 shows the structure of a system for performing the method for process analysis and diagnosis with a neural card.
  • Process step 1 Recording and selection of the process variables
  • a data acquisition and processing system for example a data server based on a computer in a control system, Cyclically records process values from a technical system, for example from a boiler of a power plant.
  • a subsequent data analysis system subjects the selected and relevant data to a correlation analysis to determine the to determine independent, process-describing measurands. After that the relevant measured variables are scaled and noisy.
  • Process step 2 learning phase of the card (off-line)
  • V2.1 Development of the self-organizing, neural network in the state space the system, based on a modified algorithm according to T. Kohonen.
  • V2.2 Visualization of the unfolded network as a map using a dynamic Visualization method based on the respective winning rates of the Neurons.
  • Fig. 2 shows - here in black and white representation - an example of the structured and color-coded, neural map for various good reference approaches of a boiler (light, connected channel). It represents the projection and visualization of several load states of the boiler on a neural map with 20 * 30 neurons.
  • the x-axis shows the number of neurons in the x-direction
  • the y-axis the number of neurons in y Direction.
  • a current process state A and its immediately neighboring states N (north state), S (south state), W (west state) and O (east state) are shown.
  • the bright channel gives the permitted process states for one normal cold start of the boiler.
  • the dark areas on the map form the Envelope between the allowed processes, since they represent neurons in the state space the plant are grouped around the reference process trajectory.
  • each plant state is characterized by 20 independent process variables is determined and thus 20-dimensional, can be a by the method Projection can be done on only two dimensions (the SOM map); in order to becomes a much better overview of the actual process states achieved than when considering all 20 process variables individually.
  • the number of Process variables evaluated at the same time is not limited to 20, it can be essential be higher.
  • the number of process variables (20) has a priori nothing to do with Number of neurons (20 * 30) to do.
  • the number of neurons should be as large as be possible, it is only limited by the computing power of the analysis computer.
  • Process step 3 application - process analysis with the card (off-line / on-line)
  • the current process state through a neural "winner-takes-all” algorithm evaluated and applied to the previously structured and color-coded map.
  • the current, generally high-dimensional plant condition in the context of others Plant states can be visualized.
  • the spatial position of the current process status in the reference channel provides information about the current status of the system, see above is e.g. Component A in FIG. 2 is in an error-free state, since it is in the white reference range lies.
  • the current winner neuron at time t 0 is marked, for example, by a black circle. If one connects these winning neurons with each other, a trajectory of the current process states develops on the structured map with the time t (t 0 ⁇ t 1 ⁇ t 2 ), which either grows continuously or moves on the map with a fixed predetermined length (in FIG. 2 not shown).
  • Fig. 3 shows - here in a black and white representation - an example of such a trajectory curve K u on a color-coded, neural map with 20 * 30 neurons when starting and changing the load of a boiler over a period of 90 minutes.
  • the x-axis in FIG. 3 indicates the number of neurons in the x-direction, the y-axis the number of neurons in the y-direction.
  • the time t 0 is the start time for the recording, for example the start of the cold start.
  • the time T A shows the position of the process status after 90 minutes.
  • Process step 4 Application - model analysis using SOM
  • the weight distribution of the individual neurons can be analyzed according to the method, since the real values of the process variables are coded in the weights. This means that for every neuron on the card, the associated process values of all underlying process variables can be determined. A neuron on the SOM therefore corresponds to a specific state of the system. The difference between any two neurons on the map can therefore be determined by comparing the weight vectors w of these two neurons with one another. Since, for example, two neurons M and N represent two different system states M and N, the result of a difference analysis is the differences for all process variables which cause the difference between the process states M and N. The following equation exemplifies the calculation:
  • the difference var i for process variable pv i results as the absolute amount abs of the difference between the corresponding components w i in states M and N multiplied by the scaling factor scal_factor.
  • the percentage difference diff i relating to the measuring range of the process variables i can be determined for each process variable pv i of both system states M and N:
  • the influences of the individual process variables pv i on the two process states M and N can thus be calculated and represented in an ordered list of influences of the process variables.
  • This method thus carries out an analysis of the influence of all process variables on the overall process in the selected process state M, because the above-mentioned method can be used to determine the differences from the underlying process variables for each current process state or its representing neuron M and a respective neighboring state or neighboring neuron N.
  • This analysis can be expanded if one would take a selected process state M or A and all of its neighboring states N, O, S, W (in FIG. 2) for the influence analysis.
  • Process step 4 Application - on-line optimization of the process using SOM
  • the desired direction means that the process on the map based on the current winning neuron for example in the direction of NORTH, EAST, SOUTH or WEST (cf. Fig. 2).
  • Fig. 4 shows this using an example.
  • the process represented as a trajectory K u, has reached outside the reference channel RK at a point in time t A and has the state A.
  • a process controller PL By connecting a process controller PL, it can be brought back into the reference channel by specifying the desired direction.
  • the process on the map would have to go in the direction of EAST, since this is the shortest way back into the canal.
  • a process manager is a software tool that operates on the SOM card and specifies the necessary process size changes for each neuron on the card in order to get to the neighboring neurons and thus to neighboring process states.
  • the process operator can distinguish between manipulated variables and measured variables, since this can be derived from the signal types. This makes it possible, for example, to specify the necessary value changes only for the manipulated variables.
  • the process states M and M + 1 shown in FIG. 4 represent any two, temporally consecutive states that are linked together on the map are.
  • Process step 5 automatic detection of process deviations
  • the deviation of the process from the reference channel is only determined visually.
  • it is also possible to automate this error detection by calculating for each current process state whether it is in the channel, on the edge or outside the reference channel. This calculation is made by determining the corresponding winning rate for the current winning neuron. If the winning rate is high, the neuron - and thus the current process status - is in the reference channel. If the winning rate is low or ZERO, the current status is outside the channel. An error can thus be detected automatically. 5 illustrates this using an example. State 1 is a good state and state 2 is a process state that deviates from the good state, since the associated neuron is located outside the channel. The winning rate for the neuron in state 2 is zero. The SOM system can automatically generate an error message for state 2.
  • an automatic one can be carried out using method step 4 Carry out error correction or optimization of the process.
  • Another advantage of the process is the low engineering effort. There learning and structuring the maps and also building a reference channel Completely provided by the process, complex engineering by Reference models of the plant. Because the reference channel corresponds to a reference model for the good conditions of a system including an adjustable tolerance band. This form of engineering is an integral part of the process itself.

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

Die Erfindung bezieht sich auf ein Verfahren zur Steuerung von Prozeßvorgängen einer technischen Anlage. Um eine gleichzeitige und zusammenhängende Bewertung relevanter Prozeßgrößen der Anlage zu ermöglichen, wird vorgeschlagen, die relevanten Prozeßgrößen durch eine neuronale Analyse auf der Grundlage selbstorganisierender neuronaler Karten in Beziehung zueinander auszuwerten, indem eine topologieerhaltende, nichtlineare Projektion von Daten der relevanten Prozeßgrößen auf eine mehrdimensionale neuronale Karte realisiert wird. <IMAGE>

Description

Die Erfindung bezieht sich auf ein Verfahren zur Steuerung von Prozeßvorgängen einer technischen Anlage.
Das Verfahren ist geeignet zur Optimierung und Analyse von Prozeßvorgängen einer Kraftwerksanlage.
Es ist allgemein bekannt, einzelne Prozeßgrößen meßtechnisch zu erfassen, zu betrachten und auch prozeßzustandsabhängig auszuwerten. Weiterhin ist bekannt, einzelne Prozeßgrößen durch Anwendung mathematischer, statistischer oder neuronaler Algortihmen zu modellieren und vorherzusagen. Ein Nachteil dieser signalgestützten Verfahren ist, daß in Bereichen, in denen eine Vielzahl von Prozeßsignalen beobachtet werden, die Interpretierbarkeit und Übersichtlichkeit -und damit das aktuelle Wissen über den Prozeßzustand- verloren geht. Gerade bei transienten Prozeßvorgängen bei denen sich gleichzeitig Hunderte von Prozeßgrößen verändern, kann keine Einschätzung des aktuellen Prozeßzustandes gegeben werden, und insbesondere ist es nicht möglich, den Verlauf des transienten Prozeßvorganges zu bewerten. Ein weiterer Nachteil herkömmlicher Methoden ist, daß bei nichtlinearen Zusammenhängen der Prozeßgrößen keine Aussage darüber getroffen werden können, welche Prozeßgrößen um wieviel Prozent gleichzeitig geändert werden müssen, damit der aktuelle Prozeßzustand in einen gewünschten Prozeßzustand überführt werden kann. Gegenwärtig wird dieses Problem dadurch gelöst, daß für vorher fest definierte stationäre Arbeitsbereiche eine what-if-Simulation durchgeführt wird, bei der der Einfluß jeder einzelnen Prozeßgröße auf die gewünschte Zielgröße ermittelt wird. Dabei können ein oder mehrere Eingangssignale geändert und das resultierende Verhalten der Zielgröße berechnet werden. Ein Nachteil dieses Verfahrens ist, daß der Anwender nur durch langwieriges Probieren herausbekommt, welche Prozeßgrößen auf welchen Wert gestellt werden müssen, um den Prozeß in eine geforderte oder gewünschte Richtung zu fahren. Weiterhin fehlt gerade in den transienten Prozeßbereichen eine Aussage, was eigentlich als gewünschter Vorgang angesehen werden kann. Einer Kombination von z.B. 200 Meßsignalen ist nicht ohne weiteres anzusehen, ob sie einen optimalen oder einen fehlerhaften Prozeßzustand repräsentiert.
Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren anzugeben, das eine gleichzeitige und zusammenhängende Bewertung und Anzeige relevanter Prozeßgrößen einer technischen Anlage ermöglicht, dabei für jeden beliebigen Betriebspunkt und Zeitpunkt der Anlage eine Aussage über die zugrundeliegenden Einflußgrößen macht, und die Prozeßgrößenänderungen vorgibt, die notwendig sind um vom aktuellen Zustand in einen gewünschten Betriebszustand zu kommen. Außerdem soll eine Unterscheidung zwischen optimalem und nicht-optimalem Prozeßzustand durch eine Visualisierungsmethode möglich sein.
Diese Aufgabe wird gelöst durch ein im Anspruch 1 angegebenes Verfahren zur Steuerung von Prozeßvorgängen einer technischen Anlage, bei dem alle für einen Prozeß relevanten Größen zusammengefaßt und durch eine neuronale Analyse auf Grundlage selbstorganisierender Karten (Self-Organizing-Map, sog. SOM) in Beziehung zueinander ausgewertet werden, indem eine topologieerhaltende, nichtlineare Projektion von Daten der relevanten Prozeßgrößen auf eine mehrdimensionale, neuronale Karte (SOM) realisiert wird.
Auf dieser SOM wird der aktuelle Prozeßzustand dargestellt und somit im Kontext anderer Prozeßzustände vergleichbar. Ist der aktuelle Prozeßzustand von einem gewünschten Prozeßzustand entfernt, kann die notwendige Prozeßgrößenkombination ausgegeben werden, um vom aktuellen zum gewüschten Prozeßzustand zu gelangen.
Vorteilhafte Ausgestaltungen sind in weiteren Ansprüchen angegeben. Durch den ganzheitlichen Ansatz werden nicht nur die Werte der einzelnen Prozeßgrößen, sondern auch insbesondere ihre gegenseitigen Einflüsse untereinander berücksichtigt.
In der neuronalen Theorie versteht man unter einer selbstorganisierenden Karte (Self-Organizing-Map, SOM) ein "selbstorganisierendes neuronales Netz", bei dem alle Neuronen nebeneinander angeordnet sind. Das selbstorganisierende neuronale Netz ist ein eingeführter Begriff für eine spezielle Klasse von neuronalen Netzen, die sich anhand von Eingangssignalen selbst strukturieren, vgl. A. Zell
Figure 00030001
Simulation Neuronaler Netze", Addison-Wesley Verlag, 1994, Seite 179 bis 187. Im Unterschied zu herkömmlichen neuronalen Netzen, spielt die räumliche Lage der einzelnen Neuronen und ihre Nachbarschaftsbeziehungen bei den SOMs eine wichtige Rolle.
In der Systemtheorie wird als Zustandsraum einer Anlage der n-dimensionale Vektorraum bezeichnet, in dem die Prozeßdaten übereinander aufgetragen werden können. Zum Beispiel entspricht ein Datenbeispiel, d.h. ein Vektor mit den Werten der n Prozeßgrößen, zu einem Zeitpunkt t0 einem Punkt in diesem Zustandsraum. Nachstehend wird unter einem Eingangsraum genau dieser Zustandsraum verstanden. Der Ausgangsraum ist der 2-dimensionale Raum, der auf der Karte abgebildet wird.
Mit Hilfe der SOMs lassen sich sogenannte topologieerhaltende Abbildungen realisieren. Topologieerhaltend bedeutet in diesem Zusammenhang, daß die Punkte (Datenpunkte), die im Eingangsraum nahe beieinander liegen, auch im Ausgangsraum, also auf der Karte, nahe beieinander liegen werden. Damit stellt die Karte im Prinzip ein topologieerhaltendes, 2-dimensionales Fenster in den n-dimensionalen Zustandsraum der Anlage dar. Dabei bezeichnet n die Anzahl der Prozeßgrößen. Allerdings müssen Prozeßwerte zu den einzelnen Prozeßgrößen vorliegen, da das Verfahren nur auf der Grundlage von Daten arbeiten kann.
Beim erfindungsgemäßen Verfahren werden nach einer entsprechenden Datenvorverarbeitung einem selbstorganisierenden Netz in einer Lernphase die Werte relevanter Prozeßgrößen angeboten. Die Zahl n liegt zwischen 2 und mehreren hundert. Die notwendige Anzahl der Datenbeispiele beeinflußt das Ergebnis, sie sollte relativ groß sein, z.B. Anzahl der Datenbeispiele = 30 * n. Die Datenbeispiele repräsentieren bestimmte Prozeßzustände, die zu bestimmten Zeiten aufgenommen werden. Beispielsweise können die Daten in Form einer Matrix vorliegen, wobei die Spalten den Prozeßgrößen und die Zeilen den Datenbeispielen zu den jeweiligen Zeitpunkten entsprechen.
Die Lernphase erfolgt in zwei Schritten: Zuerst entfaltet sich die Karte im Zustandsraum der Anlage, danach werden die Anlagenzustände durch Anwendung eines mathematischen Verfahrens visualisiert. Bevor das Lernverfahren angewendet wird, werden die Prozeßdaten vorverarbeitet. Zuerst werden die einzelnen Prozeßgrößen auf einen vorgegebenen Wert skaliert und danach z.B. noch verrauscht. Das Verrauschen erlaubt das weitere Verarbeiten von verallgemeinerten Prozeßvorgängen, da dadurch nicht mehr einzelne willkürlich ausgewählte Vorgänge, sondern Prototypen von Vorgängen weiterverarbeitet werden.
Die Entfaltung der selbstorganisierenden Karte im Zustandsraum der Anlage wird durch selbstorganisierende Algorithmen basierend auf dem "neuronalen Algorithmus nach T. Kohonen" realisiert. Der selbstorganisierende neuronale Algorithmus wurde von Kohonen im Jahr 1982 eingeführt; vgl. T. Kohonen, Self-organized formation of topologically correct feature maps" in Biological Cybernetics, 43, 59-69, 1982. Da Daten von Prozeßvorgängen nicht immer in verschiedene Datencluster aufgeteilt sein müssen, sondern z.B. auch als diskrete Prozeßtrajektorie (Linie) in einem hochdimensionalen Raum auftreten können, muß der neuronale Algorithmus und die Visualisierung entsprechend angepaßt werden. Ein Prozeßpunkt entsteht dann, wenn man die n Prozeßgrößen einer Anlage zu einem n-dimensionalen Vektor
Figure 00040001
zu einem Zeitpunkt t0 zusammenfaßt; mit pvi ist die i-te Komponente des Eingangsvektors bezeichnet. Auf diese Weise lassen sich zu jedem Zeitpunkt tm Prozeßvektoren erzeugen und in einem n-dimensionalen Koordinatensystem als Punktwolke darstellen, dadurch entsteht eine Prozeßtrajektorie.
Sind die Vektoren pv, d.h. die Datenpunkte zu allen Zeiten des Prozeßabaufs relativ nahe beieinander und ist die fraktale Dimensionalität (FD) dieses Gebildes nahe bei 1, kann das Gebilde als Prozeßtrajektorie aufgefaßt werden. Fraktale Dimensionalität ist ein eingeführter Begriff für Gebilde in n-dimensionalen Räumen. Z.B. hat eine Linie die FD gleich 1, eine Fläche die FD gleich 2, ein Körper die FD gleich 3. Dazwischen gibt es Gebilde mit gebrochenzahligen FD, siehe B. Mandelbrot, The Fractal Geometry of Nature", New York, Freeman, 1977 und J. Gleick, Chaos-die Ordnung der Natur", Knaur Verlag, 1990, Seiten 147-150.
Der o.g. neuronale Algorithmus kann sich auf jedem n-dimensionalen Gebilde (z.B. Kurve, Fläche oder Körper) selbstorganisieren. Dabei werden durch einen iterativen neuronalen Algorithmus die Gewichtsvektoren w aller Neuronen k auf der Karte an die Eingangsvektoren pv der Prozeßdaten unter Berücksichtigung der Nachbarschaftsbeziehungen der Neuronen angepaßt. Für die Vektoren w wird folgende Definition eingeführt:
Figure 00050001
wobei mit wi die i-te Komponente des Gewichtsvektors eines Neurons bezeichnet ist.
Allerdings läßt sich nur durch eine Modifikation des SOM-Verfahrens eine anwendbare Visualisierung der Prozeßdaten realisieren. Folgende Modifizierung und Parametrisierung wird eingeführt:
Erstens werden zwei gegenüberliegende Eckneuronen auf der SOM auf den Anfang bzw. das Ende der Prozeßtrajektorie gezogen und dort mathematisch fixiert, indem die Gewichtsvektoren dieser Eckneuronen mit den gegebenenfalls skalierten Prozeßvektoren am Beginn und am Ende des Vorganges gleichgesetzt werden.
Zweitens, da der neuronale Algorithmus nach T. Kohonen nach einer unendlich langen Iterationsanzahl alle oder fast alle Neuronen auf die Prozeßtrajektorie ziehen kann, muß die Selbstorganisation rechtzeitig abgebrochen werden. Der Abbruch erfolgt so, daß ca. die Hälfte aller Neuronen auf der Trajektorie und die andere Hälfte um die Trajektorie gruppiert sind. Eine heuristisch ermittelte Möglichkeit ist z.B., die Anzahl der SOM-Iterationen auf die Anzahl der SOM-Neuronen zu beschränken. Dieser rechtzeitige Abbruch hat den Vorteil, daß mit den so entstandenen Karten von einem Referenzverlauf abweichende Prozeßverläufe sehr gut dargestellt werden können.
Drittens wird die Nachbarschaftsordnung auf der SOM auf eine Distanznorm festgelegt, die von der fraktalen Dimensionalität FD der Eingangsdaten abhängt. Ist die FD der Eingangsdaten z.B. zwischen eins und zwei, was für dynamische, technische Prozesse oftmals der Fall ist, ist die beste Distanznorm die sog. Manhatten-Distanz, bei der jedes Neuron auf der Karte (mit Ausnahme aller Neuronen an den Rändern) genau 4 Nachbarn hat: einen NORD-Nachbarn, einen OST- Nachbarn, einen SÜD-Nachbarn und einen WEST- Nachbarn. Diese Ergebnisse lassen sich aus der neuronalen Gastheorie ableiten.
Die Visualisierung der physikalischen Anlagenzustände geschieht nach einem sog. dynamischen Visualisierungsverfahren. Bei diesem Verfahren werden der entfalteten Karte die Eingangsvektoren in zufälliger Reihenfolge nochmals angeboten und das aktuelle Gewinnerneuron nach einem "Winner-takes-all" Algorithmus ermittelt. Dieser Algorithmus besagt, daß das Neuron, dessen Gewichtsvektor dem Eingangsvektor am nächsten ist, gewinnt. Die Aussage "am nächsten" wird durch Berechnung eines vorher bestimmten Abstandsmaßes, z.B. dem euklidischen Abstand, berechnet. Der Winner-takes-all Algorithmus ist ein Verfahren, bei dem immer nur das Neuron aktiv ist, das eine gewisse Bedingung am besten erfüllt; alle anderen Neuronen des Netzes oder der Karte sind inaktiv (1 -aus-k Auswahl, mit k ist gleich Anzahl Neuronen auf der Karte). Diese besondere Bedingung ist hier ein minimales Abstandsmaß zwischen dem aktuellen Eingangsvektor und dem Gewichtsvektor der einzelnen Neuronen, siehe S. Hafner, Neuronale Netze in der Automatisierungstechnik", Oldenbourg Verlag, 1994, insbesondere Seiten 17 bis 25.
Für das jeweilige Gewinnerneuron wird ein interner Zähler, die Gewinnerrate, um den Zahlenwert eins erhöht. Am Ende dieser dynamischen Visualisierung werden die Gewinnerraten der einzelnen Neuronen in Farbwerte umkodiert, dabei bedeutet ein hoher Zahlenwert z. B. eine helle Farbe. Das Neuron mit der höchsten Gewinnerrate wird z.B. weiß dargestellt. Neuronen mit entsprechend kleinen Raten werden z.B. dunkler visualisiert. Neuronen, die gar nicht gewonnen haben, erhalten z.B. eine schwarze Farbe auf der SOM. Durch diesen Algorithmus entsteht auf der SOM ein heller Kanal, sog. Referenzkanal, von möglichen und zulässigen Prozeßzuständen. Eine Erweiterung des "Winner-takes-all" Algorithmus wird durch Anwendung eines "Winner-takes-most" Algorithmus erreicht. Bei diesem Algorithmus wird nicht nur für den Gewinner, sondern auch für den j-ten, d.h. zweitnächsten, drittnächsten, viertnächsten,... Gewinner ein interner Zähler hochgezählt, eine Möglichkeit für das Neuron M ist z.B.
Figure 00070001
mit M ist gleich Neuron M und j ist die Position des Neurons in einer Liste der jeweiligen SOM-Antworten auf einen angelegten Eingangsvektor vp. Für den "Winner-takes-all" Algorithmus würde nur für das tatsächliche Gewinnerneuron (jmax=1) der Zähler um eins erhöht werden. Für den "Winner-takes-most" Algorithmus kann der jeweilige maxiamle Wert für jmax vorgegeben werden. Durch diese Maßnahme läßt sich die Breite des Referenzkanals und damit die Breite des Toleranzbandes für den Gut-Zustand des Prozesses auf der Karte einstellen.
In der Anwendungsphase der Karte können durch Aufbau und Entwicklung einer Trajektorie von Prozeßzuständen auf dieser Karte mittels eines "Winner-takes-Algorithmus" Aussagen über den aktuellen und zukünftigen Prozeßzustand getroffen werden. Eine Analyse der einzelnen Prozeßgrößenverteilungen auf der Karte erlaubt das Erkennen von neuartigen Prozeßzusammenhängen. Eine Rücktransformation der abstrakten Darstellung der Karte auf die einzelnen Prozeßgrößen erlaubt das Ermitteln von Ursachen für Prozeßabweichungen.
Eine weitere Beschreibung des Verfahrens erfolgt nachstehend anhand von in den Zeichnungsfiguren dargestellten Ausführungsbeispielen.
Es zeigen:
Fig. 1
ein Strukturbild, das die wesentlichen Komponenten eines Systems zur Durchführung des Verfahrens zeigt,
Fig. 2
eine neuronale Karte mit einem eingebrannten" Kanal für erlaubte Referenzanfahrten, sog. Referenzkanal (weißer Kanal)
Fig. 3
einen Trajektorienverlauf beim Anfahren eines Kessels (graue Linie innerhalb des Referenzkanals),
Fig. 4
einen Prozeßlenker, mit dessen Hilfe der Anlagenprozeß durch den Kanal gefahren werden kann, und
Fig. 5
einen Trajektorienverlauf mit guten (1) und schlechten (2) Prozeßzuständen.
Die Beschreibung des Verfahrens ist im folgenden in verschiedene Verfahrensschritte gegliedert und durch die Zeichnungsfiguren beispielhaft erläutert.
Fig. 1 zeigt die Struktur eines Systems zur Durchführung des Verfahrens zur Prozeßanalyse und Diagnose mit neuronaler Karte.
Verfahrensschritt 1: Aufnahme und Auswahl der Prozeßgrößen
Aufnahme und Aufbereitung der Daten. Ein Datenerfassungs- und aufbereitungssystem, beispielsweise ein Datenserver basierend auf einem Rechner eines Leitsystems, erfaßt zyklisch Prozeßwerte aus einer technischen Anlage, beispielsweise von einem Kessel einer Kraftwerksanlage. Ein nachfolgendes Datenanalysesystem unterzieht die ausgewählten und relevanten Daten einer Korrelationsanalyse, um die unabhängigen, prozeßbeschreibenden Meßgrößen zu bestimmen. Danach werden die relevanten Meßgrößen skaliert und verrauscht.
Verfahrensschritt 2: Lernphase der Karte (off-line)
V2.1. Entfaltung des selbstorganisierenden, neuronalen Netzes im Zustandsraum der Anlage, basierend auf einem modifizierten Algorithmus nach T. Kohonen.
V2.2. Visualisierung des entfalteten Netzes als Karte durch Anwendung einer dynamischen Visualisierungsmethode basierend auf den jeweiligen Gewinnerraten der Neuronen.
Fig. 2 zeigt -hier in Schwarz/Weiß Darstellung- beispielhaft die strukturierte und farbkodierte, neuronale Karte für verschiedene gute Referenzanfahrten eines Kessels (heller zusammenhängender Kanal). Es stellt die Projektion und Visualisierung von mehreren Lastzuständen des Kessels auf einer neuronalen Karte mit 20*30 Neuronen dar. In Fig. 2 gibt die x-Achse die Anzahl der Neuronen in x-Richtung, die y-Achse die Anzahl der Neuronen in y-Richtung an. Dargestellt sind ein aktueller Prozeßzustand A und seine unmittelbar benachbarten Zustände N (Nord-Zustand), S (Süd-Zustand), W (West-Zustand) und O (Ost-Zustand).
Der helle Kanal, der Referenzkanal, gibt die erlaubten Prozeßzustände für einen normalen Kaltstart des Kessels vor. Die dunklen Gebiete auf der Karte bilden die Hülle zwischen den erlaubten Vorgängen, da sie Neuronen darstellen, die im Zustandsraum der Anlage um die Referenz-Prozeßtrajektorie gruppiert sind.
Durch Anwendung eines Winner-takes-most"-Algorithmus läßt sich die Breite des Kanals und damit die Einstellung für eine spätere Fehlerdetektion steuern.
Obwohl in diesem Beispiel jeder Anlagenzustand durch 20 unabhängige Prozeßgrößen bestimmt wird und damit 20-dimensional ist, kann durch das Verfahren eine Projektion auf nur zwei Dimensionen (die SOM-Karte) durchgeführt werden; damit wird eine erheblich bessere Übersichtlichkeit über die tatsächlichen Prozeßzustände erreicht als bei der einzelnen Betrachtung aller 20 Prozeßgrößen. Die Anzahl der gleichzeitig ausgewerteten Prozeßgrößen ist nicht auf 20 beschränkt, sie kann wesentlich höher sein. Die Anzahl der Prozeßgrößen (20) hat a-priori nichts mit der Anzahl der Neuronen (20*30) zu tun. Die Anzahl der Neuronen sollte so groß wie möglich sein, sie wird nur durch die Rechenleistung des Analysecomputers beschränkt.
Verfahrensschritt 3: Anwendung - Prozeßanalyse mit der Karte (off-line / on-line)
V3.1. Anbindung der Karte an den Prozeß und Darstellung des aktuellen Prozeßzustandes auf der strukturierten Karte.
In der Anwendungsphase, d.h. während des Betriebes der Kraftwerksanlage, wird der aktuelle Prozeßzustand durch einen neuronalen "Winner-takes-all" Algorithmus ausgewertet und auf der vorher strukturierten und farbkodierten Karte aufgetragen. Damit kann der aktuelle, i.a. hochdimensionale Anlagenzustand im Kontext anderer Anlagenzustände visualisiert werden. Die räumliche Lage des aktuellen Prozeßzustandes im Referenzkanal gibt Auskunft über den aktuellen Zustand der Anlage, so ist z.B. Zutand A in Fig. 2 ein fehlerfreier Zustand, da er im weißen Referenzbereich liegt.
V3.2. Graphische Verbindung von Gewinnerneuronen
In der Anwendungsphase wird das jeweils aktuelle Gewinnerneuron zum Zeitpunkt t0 z.B. durch einen schwarzen Kreis markiert. Verbindet man diese Gewinnerneuronen miteinander, entwickelt sich auf der strukturierten Karte mit der Zeit t (t0< t1 < t2) eine Trajektorie der aktuellen Prozeßzustände, die entweder ständig wächst oder bei fester vorgegebener Länge auf der Karte wandert (in Fig. 2 nicht dargestellt).
Fig. 3 zeigt - hier in einer Schwarz/Weiß-Darstellung - beispielhaft einen solchen Trajektorienverlauf Ku auf einer farbkodierten, neuronalen Karte mit 20*30 Neuronen beim Anfahren und Lastwechsel eines Kessels über einen Zeitraum von 90 Minuten. Die x-Achse in Fig. 3 gibt die Anzahl der Neuronen in x-Richtung, die y-Achse die Anzahl der Neuronen in y-Richtung an. Man sieht, daß der Anfahrvorgang genau in dem Referenzkanal RK läuft, d.h. der aktuell-laufende, hochkomplexe Vorgang Ku -und nicht nur ein einzelner Prozeßzustand- kann auf einen Blick intuitiv richtig eingeordnet werden. Der Zeitpunkt t0 ist der Startzeitpunkt für die Aufnahme, z.B. der Beginn des Kaltstarts. Der Zeitpunkt TA zeigt die Position des Prozeßzustandes nach 90 Minuten.
Verfahrensschritt 4: Anwendung - Modellanalyse mittels SOM
Um von der abstrakten Darstellung zurück zu den physikalischen Prozeß zu kommen, kann man verfahrensgemäß die Gewichtsverteilung der einzelnen Neuronen analysieren, da in den Gewichten die realen Werte der Prozeßgrößen kodiert sind. Das bedeutet, für jedes Neuron auf der Karte, lassen sich die dazugehörigen Prozeßwerte aller zugrundeliegenden Prozeßgrößen ermitteln. Ein Neuron auf der SOM entspricht demzufolge einem konkreten Zustand der Anlage. Der Unterschied zwischen zwei beliebigen Neuronen auf der Karte läßt sich demnach ermitteln, indem man die Gewichtsvektoren w dieser beiden Neuronen miteinander vergleicht. Da z.B. zwei Neuronen M und N zwei verschiedene Anlagenzustände M und N repräsentieren, bekommt man als Ergebnis einer Differenzanalyse die Differenzen für alle Prozeßgrößen heraus, die den Unterschied der Prozeßzustände M und N bewirken. Die folgende Gleichung verdeutlicht beispielhaft die Berechnung:
Figure 00110001
Die Differenz vari für Prozeßgröße pvi ergibt sich als absoluter Betrag abs der Differenz der entsprechenden Komponete wi im Zustand M und N multipliziert mit dem Skalierungsfaktor scal_factor. Ausgehend von dieser Differenz kann der auf den Meßbereich der Prozeßgrößen i bezogene prozentuale Unterschied diffi für jede Prozeßgröße pvi beider Anlagenzustände M und N ermittelt werden:
Figure 00110002
Damit lassen sich die Einflüsse der einzelnen Prozeßgrößen pvi auf die beiden Prozeßzustände M und N berechnen und in einer geordneten Liste von Einflüssen der Prozeßgrößen darstellen. Dieses Verfahren realisiert damit eine Einflußanalyse aller Prozeßgrößen auf den Gesamtprozeß im ausgewählten Prozeßzustand M, denn mit o.g. Verfahren kann man für jeden aktuellen Prozeßzustand bzw. sein repräsentierendes Neuron M und einen jeweiligen benachbarten Zustand bzw. benachbartes Neuron N die Unterschiede gegenüber zugrundeliegenden Prozeßgrößen ermitteln. Diese Analyse läßt sich ausweiten, wenn man zur Einflußanalyse einen gewählten Prozeßzustand M oder A und all seine Nachbarzustände N, O, S, W (in Fig. 2) nehmen würde.
Da diese Einflußanalyse für jeden beliebigen Prozeßzustand M, d.h. für jeden Arbeitspunkt der Anlage, neu berechnet werden kann, stellt sie eine Erweiterung gegenwärtiger Verfahren zur Prozeßanalyse dar.
Verfahrensschritt 4: Anwendung - on-line Optimierung des Prozesses mittels SOM
Aufbauend auf den Verfahrensschritten 1, 2 und 3 kann - alternativ zum vorstehend beschriebenen Schritt 4 - eine on-line Optimierung des Prozesses realisiert werden, denn es ist möglich, für jeden Punkt auf der Karte -und damit für jeden Prozeßzustand-eine Prozeßgrößenkombination vorzugeben, um den Prozeß in die gewünschte Richtung zu fahren. Gewünschte Richtung bedeutet in diesem Zusammenhang, daß der Prozeß auf der Karte ausgehend vom aktuellen Gewinnerneuron zum Beispiel in Richtung NORD, OST, SÜD oder WEST gefahren werden soll (vgl. Fig. 2).
Dies ist deshalb möglich, wie oben erwähnt, weil in den Gewichten des jeweiligen Gewinnerneurons und seinen Nord-, Ost-, Süd- und Westnachbarn auf der Karte eine eindeutige Prozeßgrößenkombination zugeordnet werden kann. Ausgehend von dieser Zuordnung läßt sich damit diejenige Prozeßgrößenänderung vorgeben, die notwendig ist, um den Prozeß in die SOLL-Richtung zu fahren. Auf diese Weise kann der Anlagenprozeß Schritt für Schritt in den Referenzkanal zurückgebracht werden.
Fig. 4 zeigt das an einem Beispiel. Der Prozeßvorgang, dargestellt als Trajektorie Ku ist zu einem Zeitpunkt tA außerhalb des Referenzkanals RK gelangt, und hat den Zustand A. Durch Aufschaltung eines Prozeßlenkers PL, kann er zurück in den Referenzkanal gebracht werden, indem man die gewünschte Richtung vorgibt. Im Beipiel wäre der Prozeß auf der Karte in Richtung OST zu fahren, da dies der kürzeste Weg zurück in den Kanal ist. Ein Prozeßlenker ist ein Softwaretool, das auf der SOM-Karte operiert und für jedes Neuron der Karte die notwendigen Prozeßgrößenänderungen vorgibt, um zu den benachbarten Neuronen und damit zu benachbarten Prozeßzuständen zu gelangen. Dabei kann der Prozeßlenker zwischen Stellgrößen und Meßgrößen unterscheiden, da dies aus den Signaltypen abgeleitet werden kann. Dadurch ist es z.B. möglich, nur für die Stellgößen die notwendigen Wertänderungen vorzugeben.
Die in Fig. 4 dargestellten Prozeßzustände M und M+1 stellen zwei beliebige, zeitlich aufeinanderfolgende Zustände dar, die auf der Karte miteinander verbunden sind.
Verfahrensschritt 5: Automatisches Erkennen von Prozeßabweichungen
Gemäß vorstehend beschriebenem Vorgehen wird die Abweichung des Prozeßvorganges aus dem Referenzkanal nur visuell ermittelt. Es ist aber auch möglich, diese Fehlererkennung zu automatisieren, indem für jeden aktuellen Prozeßzustand berechnet wird, ob er sich im Kanal, am Rande oder außerhalb des Referenzkanals befindet. Diese Berechnung wird gemacht, indem für das aktuelle Gewinnerneuron die dazugehörige Gewinnerrate bestimmt wird. Ist die Gewinnerrate hoch, befindet sich das Neuron -und damit der aktuelle Prozeßzustand- im Referenzkanal, ist die Gewinnerrate niedrig oder NULL, ist der aktuelle Zustand außerhalb des Kanals. Damit kann automatisch ein Fehler detektiert werden. Fig. 5 verdeutlicht das an einem Beispiel. Zustand 1 ist ein Gutzustand und Zustand 2 ein vom Gut-Zustand abweichender Prozeßzustand, da sich das dazugehörige Neuron außerhalb des Kanals befindet. Die Gewinnerrate für das Neuron im Zustand 2 ist Null. Für Zustand 2 kann das SOM-System damit automatisch eine Fehlermeldung generieren.
Ist eine Abweichung erkannt, kann man mit Hilfe des Verfahrenschrittes 4 eine automatische Fehlerkorrektur oder Optimierung des Prozesses durchführen.
Gesamtverfahren
Durch Anwendung dieses Verfahren, das echtzeitfähig ist, wird einem Prozeßbediener die Möglichkeit gegeben, selbst hochkomplexe dynamische Prozesse intuitiv zu erfassen und -sehr einfach verstehbar- zu optimieren.
Ein weiterer Vorteil des Verfahrens liegt in dem geringen Engineering-Aufwand. Da das Lernen und Strukturieren der Karten und auch der Aufbau eines Referenzkanals vollständig durch das Verfahren erbracht wird, entfällt aufwendiges Engineering von Referenzmodellen der Anlage. Denn der Referenzkanal entspricht einem Referenzmodell für die Gut-Zustände einer Anlage einschließlich einstellbarem Toleranzband. Diese Form des Engineering ist integraler Bestandteil des Verfahrens selbst.

Claims (6)

  1. Verfahren zur Steuerung von Prozeßvorgängen einer technischen Anlage, bei dem alle für einen Prozeß relevanten Größen zusammengefaßt und durch eine neuronale Analyse auf der Grundlage sebstorganisierender, neuronaler Karten (sog. SOM) in Beziehung zueinander ausgewertet werden, indem eine topologieerhaltende, nichtlineare Projektion von Daten der relevanten Prozeßgrößen auf eine mehrdimensionale SOM realisiert wird.
  2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die technische Anlage eine Kraftwerksanlage oder ein Teil einer solchen Anlage ist.
  3. Verfahren nach einem der vorstehenden Ansprüche, dadurch gekennzeichnet, daß eine Trajektorie von Prozeßvorgängen (Ku) dargestellt wird durch eine graphische Verbindung von visualisierten Prozeßzuständen (M, M+1) und daß zur Beurteilung dieser Folgen von Prozeßzuständen auf der Karte sog. Referenzkanäle (RK) mit einstellbarer Toleranzbreite aufgenommen und dargestellt werden.
  4. Verfahren nach Anspruch 3, dadurch gekennzeichnet, daß ein sog. Prozeßlenker (PL) aufgeschaltet werden kann, mit dessen Hilfe sich der Prozeß durch einen Referenzkanal (RK) steuern läßt.
  5. Verfahren nach Anspruch 3, dadurch gekennzeichnet, daß das Verlassen des Referenzkanals (RK) durch eine Trajektorie (Ku) auf der Karte automatisch erkannt wird, indem zur Beurteilung des aktuellen Zustands die Gewinnerrate des ihn repräsentierenden Neurons ausgewertet wird und der Prozeß in Abhängigkeit vom Ergebnis der Auswertung zurück in den Referenzkanal gebracht wird.
  6. Verfahren nach einem der vorstehenden Ansprüche, dadurch gekennzeichnet, daß seine Durchführung in nachstehenden Schritten erfolgt:
    a) Aufnahme und Auswahl der Prozeßgrößen und Aufbereitung der Daten,
    b) Entfaltung des selbstorganisierenden, neuronalen Netzes im Zustandsraum der Anlage, basierend auf einem selbstorganisierenden, neuronalen Algorithmus, wobei die Prozeßwerte der relevanten Prozeßgrößen verwendet werden,
    c) Darstellung des entfalteten Netzes als neuronale Karte,
    d) Projektion der durch n Prozeßgrößen bestimmten Anlagenzustände auf die neuronale Karte, basierend auf sogenannten winner-takes-all und/oder winner-takes-most Algorithmen zur Erzeugung eines Referenzkanals von zulässigen Prozeßvorgängen,
    e) Anbindung der so vorbereiteten Karte an den Prozeß zur Aufzeichnung der zu untersuchenden Prozeßvorgänge durch Darstellung einer Trajektorie auf der Karte und anschließende Überwachung, ob die Trajektorie im Referenzkanal verläuft oder diesen verläßt,
    f) Aufschaltung eines Prozeßlenkers mit dem der Prozeß beliebig über die Karte und damit real in dessen Zustandsraum gesteuert werden kann.
EP98111786A 1997-08-13 1998-06-26 Verfahren zur Steuerung von Prozessvorgängen Withdrawn EP0897155A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE19734947 1997-08-13
DE19734947A DE19734947B4 (de) 1997-08-13 1997-08-13 Verfahren zur Steuerung von Prozeßvorgängen

Publications (1)

Publication Number Publication Date
EP0897155A1 true EP0897155A1 (de) 1999-02-17

Family

ID=7838768

Family Applications (1)

Application Number Title Priority Date Filing Date
EP98111786A Withdrawn EP0897155A1 (de) 1997-08-13 1998-06-26 Verfahren zur Steuerung von Prozessvorgängen

Country Status (3)

Country Link
US (1) US6314413B1 (de)
EP (1) EP0897155A1 (de)
DE (1) DE19734947B4 (de)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2795830B1 (fr) * 1999-07-01 2001-08-31 Lorraine Laminage Procede de pilotage d'un processus dynamique complexe
DE19932945A1 (de) * 1999-07-14 2001-01-25 Siemens Ag Verfahren, Anordnung und Computerprogramm zur Vorverarbeitung
US6571228B1 (en) * 2000-08-09 2003-05-27 Po-Tong Wang Hybrid neural networks for color identification
US7016742B2 (en) * 2002-11-27 2006-03-21 Bahelle Memorial Institute Decision support for operations and maintenance (DSOM) system
JP4133627B2 (ja) * 2003-06-30 2008-08-13 新キャタピラー三菱株式会社 建設機械の状態判定装置及び建設機械の診断装置，並びに建設機械の状態判定方法及び建設機械の診断方法
US7552005B2 (en) * 2004-03-16 2009-06-23 Honeywell International Inc. Method for fault diagnosis of a turbine engine
JP4032045B2 (ja) * 2004-08-13 2008-01-16 新キャタピラー三菱株式会社 データ処理方法及びデータ処理装置、並びに診断方法及び診断装置
US7567859B2 (en) 2004-12-01 2009-07-28 Honeywell International Inc. Methods and apparatuses for control of building cooling, heating and power co-generation systems
GB0505396D0 (en) * 2005-03-16 2005-04-20 Imp College Innovations Ltd Spatio-temporal self organising map
US20060247798A1 (en) * 2005-04-28 2006-11-02 Subbu Rajesh V Method and system for performing multi-objective predictive modeling, monitoring, and update for an asset
US7536364B2 (en) * 2005-04-28 2009-05-19 General Electric Company Method and system for performing model-based multi-objective asset optimization and decision-making
US7822802B2 (en) * 2006-09-29 2010-10-26 Fisher-Rosemount Systems, Inc. Apparatus and method for merging wireless data into an established process control system
DE102012015485A1 (de) 2012-08-07 2014-05-15 Prüftechnik Dieter Busch AG Verfahren zum Überwachen von rotierenden Maschinen
EP3279756B1 (de) * 2016-08-01 2019-07-10 Siemens Aktiengesellschaft Diagnoseeinrichtung und verfahren zur überwachung des betriebs einer technischen anlage
US11074344B2 (en) * 2018-12-19 2021-07-27 Intel Corporation Methods and apparatus to detect side-channel attacks

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2277151A (en) * 1993-04-05 1994-10-19 Univ Brunel Machine monitoring using neural network

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5048100A (en) * 1988-12-15 1991-09-10 Michael Kuperstein Self organizing neural network method and system for general classification of patterns
US5222210A (en) * 1990-12-03 1993-06-22 Motorola, Inc. Method of displaying the state of an artificial neural network
US5448681A (en) * 1992-03-27 1995-09-05 National Semiconductor Corporation Intelligent controller with neural network and reinforcement learning
US5353207A (en) * 1992-06-10 1994-10-04 Pavilion Technologies, Inc. Residual activation neural network
AU6358394A (en) * 1993-03-02 1994-09-26 Pavilion Technologies, Inc. Method and apparatus for analyzing a neural network within desired operating parameter constraints
US5602886A (en) * 1995-10-10 1997-02-11 The University Of Chicago Neural net controlled tag gas sampling system for nuclear reactors
US5809490A (en) * 1996-05-03 1998-09-15 Aspen Technology Inc. Apparatus and method for selecting a working data set for model development
JP3884103B2 (ja) * 1996-07-24 2007-02-21 富士通株式会社 入力パターンの変化の連続性を考慮したトポロジカル・マップ演算装置及び方法
DE19637651A1 (de) * 1996-09-16 1998-03-19 Abb Patent Gmbh Verfahren zur Prozeßvisualisierung
US5796631A (en) * 1997-02-10 1998-08-18 Tempo Instrument, Inc. Method and apparatus for monitoring and characterizing power quality, faults and other phenomena in network power systems

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2277151A (en) * 1993-04-05 1994-10-19 Univ Brunel Machine monitoring using neural network

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BARTAL Y ET AL: "NUCLEAR POWER PLANTS TRANSIENT DIAGNOSTICS USING LVQ OR SOME NETWORKS DON'T KNOW THAT THEY DON'T KNOW", INTERNATIONAL CONFERENCE ON NEURAL NETWORKS/ WORLD CONGRESS ON COMPUTATIONAL INTELLIGENCE, ORLANDO, JUNE 27 - 29, 1994, vol. 6, 27 June 1994 (1994-06-27), INSTITUTE OF ELECTRICAL AND ELECTRONICS ENGINEERS, pages 3744 - 3749, XP000510508 *
HYOTYNIEMI H: "State-space modeling using self-organizing maps", 5TH EUROPEAN SYMPOSIUM ON ARTIFICIAL NEURAL NETWORKS ESANN '97. PROCEEDINGS, PROCEEDINGS OF EUROPEAN SYMPOSIUM ON ARTIFICIAL NEURAL NETWORKS. ESANN '97, BRUGES, BELGIUM, 16-18 APRIL 1997, ISBN 2-9600049-7-3, 1997, Brussels, Belgium, D facto, Belgium, pages 187 - 192, XP002085068 *
KEYMEULEN D ET AL: "On the self-organizing properties of topological maps", TOWARD A PRACTICE OF AUTONOMOUS SYSTEMS. PROCEEDINGS OF THE FIRST EUROPEAN CONFERENCE ON ARTIFICIAL LIFE, PARIS, FRANCE, 11-13 DEC. 1991, ISBN 0-262-72019-1, 1992, Cambridge, MA, USA, MIT Press, USA, pages 64 - 69, XP002085067 *
SYED A ET AL: "REAL-TIME MONITORING AND DIAGNOSING OF ROBOTIC ASSEMBLY WITH SELF-ORGANIZING NEURAL MAPS", PROCEEDINGS OF THE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMAT, ATLANTA, MAY 2 - 6, 1993, vol. 2, no. CONF. 10, 2 May 1993 (1993-05-02), INSTITUTE OF ELECTRICAL AND ELECTRONICS ENGINEERS, pages 188 - 195, XP000402656 *

Also Published As

Publication number Publication date
DE19734947A1 (de) 1999-02-18
DE19734947B4 (de) 2010-04-29
US6314413B1 (en) 2001-11-06

Similar Documents

Publication Publication Date Title
DE4008510C2 (de) Regeleinrichtung mit Optimal-Entscheidungseinheit
DE69113164T2 (de) Verfahren und Vorrichtung für die Steuerung eines Prozesses.
EP0789861B1 (de) Verfahren zur analyse von prozessdaten einer technischen anlage
DE69324296T2 (de) Verfahren zur Diagnose eines laufenden Prozesses
EP0845720B1 (de) Verfahren zur Analyse und Darstellung von transienten Prozessvorgängen
EP2112568B1 (de) Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems
DE19734947B4 (de) Verfahren zur Steuerung von Prozeßvorgängen
WO2002010866A2 (de) Verfahren zur ferndiagnose eines technologischen prozesses
DE102007017039A1 (de) Robuste Prozessmodellidentifikation bei modellbasierten Steuerungstechniken
EP0789864B1 (de) Überwachungssystem für eine technische anlage
EP1020815A2 (de) Vorrichtung und Verfahren zur automatischen Diagnose eines technischen Systems mit effizienter Wiederverwendung von Informationen
DE10241746B4 (de) Verfahren zur zyklischen Qualitätsbewertung und Prozessüberwachung bei periodischen Produktionsprozessen
EP3970113A1 (de) Bestimmung eines verschleissgrades eines werkzeugs
EP0875808A2 (de) Verfahren und System zur Generierung eines Prozessmodells eines technischen Prozesses
EP1150186B1 (de) Modellbasierte Online-Optimierung
DE102022101000A1 (de) Verfahren zum Erzeugen einer CAM-orientierten Zeit-Spline-Kurve und -Oberfläche
DE4409169C2 (de) Verfahren und Anordnung zur Fuzzy-Regelung
EP0829809B1 (de) Verfahren zur Prozessvisualisierung
DE102020213238A1 (de) Erzeugung von vereinfachten computer-implementierten neuronalen netzwerken
EP4268029B1 (de) Verfahren und system zur überwachung des betriebs einer technischen anlage
DE19530647C1 (de) Verfahren zur Aufbereitung einer Eingangsgröße für ein neuronales Netz
EP1055180A2 (de) Verfahren und anordnung zum entwurf eines technischen systems
DE68928609T2 (de) Fuzzy-Gerät
DE19528426C2 (de) Verfahren zur Ermittlung von Zustandsparametern eines chemischen Reaktors unter Verwendung künstlicher neuronaler Netze
EP4152113A1 (de) Verfahren und system zur verbesserung des produktionsprozesses in einer technischen anlage

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): DE FR GB

AX Request for extension of the european patent

Free format text: AL;LT;LV;MK;RO;SI

17P Request for examination filed

Effective date: 19990414

AKX Designation fees paid

Free format text: DE FR GB

RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: ABB PATENT GMBH

17Q First examination report despatched

Effective date: 20050609

RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: OTTE, RALF, DR.

RIN1 Information on inventor provided before grant (corrected)

Inventor name: OTTE, RALF, DR.

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20151211